Caso de Estudio: PYMES Europeas

• Una consultora analiza 500 PYMES europeas fundadas entre 1980-2020 para:

  • Evaluar salud financiera y solvencia
  • Identificar patrones de productividad
  • Analizar riesgo crediticio
  • Ofrecer recomendaciones de inversión

• Fuente de datos: pymes_europa.csv

  • información: diccionario_pymes.csv

• Objetivo del AED:

  • Limpiar y preprocesar los datos
  • Entender los datos (distribuciones y relaciones entre variables)
  • Descubrir patrones (riesgo de las empresa, diferencias por sector y país)

Contexto y reconomicimiento de los datos

library(rio)
pymes <- import("data/pymes_europa.csv")

diccionario <- import("data/diccionario_pymes.csv")

Patrones de variación en los datos

• Queremos entender cómo cambian los valores de una variable entre distintas observaciones (p. e., ventas de diferentes empresas), es decir, su distribución

  • diferentes técnicas según el tipo de variable (numérica o categórica).

Variables Categóricas

table(pymes$sector)
pymes |> count(sector, sort = TRUE)

prop.table(table(pymes$sector))
#¿proporciones con count() y `tidyverse`?

library(forcats)
pymes <- pymes |>
  mutate(sector_agrupado = fct_lump_n(sector, n = 5, 
                                      other_level = "Otros"))

Variables Categóricas: Visualización

• Para distribuciones discretas, la mejor visualización de la distribución de los datos es un histograma.

# Gráfico de barras de frecuencias absolutas
g0 <- ggplot(data = pymes) 
g0 + geom_bar(aes(x = pais)) + 
  theme(axis.text.x = element_text(angle = 90))
g0 + geom_bar( aes(x = "", fill = tipo_propiedad))

# Gráfico de barras de frecuencias relativas (proporciones)
g0 + geom_bar(aes(x = tipo_propiedad, 
                  y = after_stat(prop), group = 1))

pymes |> count(tipo_propiedad) |> mutate(prop = n / sum(n)) |>
  ggplot() + geom_bar(aes(x = tipo_propiedad, y = prop), 
                      stat = "identity")

• Observación: la mayor parte de las PYMEs son empresas familiares o S.L.

Variables Cuantitativas

• Estadísticas descriptivas básicas con summary()

summary(pymes)

• Información adicional con funciones para estadísticos (rango, varianza, cuartiles, asimetría)

summary(pymes$ingresos)
pymes |>
  summarise(
    media = mean(ingresos, na.rm = TRUE),
    mediana = median(ingresos, na.rm = TRUE),
    sd = sd(ingresos, na.rm = TRUE),
    min = min(ingresos, na.rm = TRUE),
    max = max(ingresos, na.rm = TRUE),
    q25 = quantile(ingresos, 0.25, na.rm = TRUE),
    q75 = quantile(ingresos, 0.75, na.rm = TRUE)  )

• Interés particular en amplia variabilidad, distribución asimétrica

Variables Cuantitativas: Visualización

• Para distribuciones numéricas, la visualización de la distribución de los datos puede realizarse con un histograma, con la densidad o ambos.

ggplot(pymes) + geom_histogram(aes(x = empleados), bins = 30)

ggplot(pymes, aes(x=empleados)) + 
  geom_histogram(aes(y=after_stat(density)), bins = 30) + 
  geom_density()

• Recordar: usar varios anchos de intervalo (esto es, cómo discretizar la variable continua)

• Si observamos una distribución muy asimétrica, considerar escala logaritmica

ggplot(pymes, aes(x = ingresos)) + geom_histogram(bins = 30) 
ggplot(pymes, aes(x = ingresos)) + geom_histogram(bins = 30) + 
  scale_x_log10()

Variables Cuantitativas: Visualización con Boxplots

• Los gráficos de caja pueden ser útiles sobre la dispersión, identificar outliers y comparar distribuciones

ggplot(pymes, aes(y = roe)) +
  geom_boxplot()

Herramientas Automáticas: skimr

library(skimr)

# Resumen completo y rápido
pymes |> 
  select(ingresos, beneficio_neto, roe, roa, empleados) |>
  skim()

Ventajas: Visión rápida, histogramas inline, NAs, estadísticos

Herramientas Automáticas: dlookr

library(dlookr)

# Diagnóstico de datos
diagnose(pymes) |>
  select(variables, types, missing_count, missing_percent, unique_count) |>
  head(10) |>
  kable()

# Descripción de variables numéricas
describe(pymes) |>
  select(described_variables, mean, p25, p50, p75, skewness) |>
  filter(!is.na(mean)) |>
  arrange(desc(abs(skewness))) |>
  head(10) |>
  kable()

Análisis Bivariante: Boxplots por Grupo

#| fig-show: asis
#| fig-width: 10
#| fig-height: 6

ggplot(pymes, aes(x = sector_agrupado, y = ingresos, fill = sector_agrupado)) +
  geom_boxplot() +
  scale_y_log10(labels = scales::comma) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1),
        legend.position = "none") +
  labs(title = "Distribución de Ingresos por Sector",
       x = "Sector", y = "Ingresos (miles €, escala log)")

Observación: Tecnología y Servicios tienen medianas más altas

Estadísticos Descriptivos por Grupo

# Ingresos promedio por sector
pymes |>
  group_by(sector_agrupado) |>
  summarise(
    n = n(),
    media = mean(ingresos, na.rm = TRUE),
    mediana = median(ingresos, na.rm = TRUE),
    sd = sd(ingresos, na.rm = TRUE)
  ) |>
  arrange(desc(media)) |>
  kable(digits = 0)

Interpretación:

• Tecnología: ingresos promedio más altos
• Alta variabilidad dentro de cada sector (SD alta)

Análisis Bivariante: Dos Categóricas

¿Hay relación entre sector y tipo de propiedad?

# Tabla de contingencia
table(pymes$sector_agrupado, pymes$tipo_propiedad)

#| fig-show: asis
#| fig-width: 10
#| fig-height: 5

# Visualización con barras apiladas
ggplot(pymes, aes(x = sector_agrupado, fill = tipo_propiedad)) +
  geom_bar(position = "fill") +
  scale_y_continuous(labels = scales::percent) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  labs(title = "Tipo de Propiedad por Sector (proporciones)",
       x = "Sector", y = "Proporción", fill = "Tipo Propiedad")

Análisis Bivariante: Dos Continuas

La forma obvia de visualizar relaciones entre variables continuas es un gráfico de dispersión

#| fig-show: asis
#| fig-width: 10
#| fig-height: 6

ggplot(pymes, aes(x = activos_total, y = ingresos)) +
  geom_point(alpha = 0.5, color = "steelblue") +
  geom_smooth(method = "lm", color = "red", se = TRUE) +
  scale_x_log10(labels = scales::comma) +
  scale_y_log10(labels = scales::comma) +
  theme_minimal() +
  labs(title = "Relación entre Activos e Ingresos",
       x = "Activos Totales (miles €, escala log)",
       y = "Ingresos (miles €, escala log)")

Observación: Relación positiva entre activos e ingresos

Correlación entre Variables Numéricas

# Correlación simple
cor(pymes$activos_total, pymes$ingresos, use = "complete.obs")

# Matriz de correlaciones (selección de variables)
pymes |>
  select(activos_total, ingresos, empleados, 
         beneficio_neto, roe, roa) |>
  cor(use = "complete.obs") |>
  round(2) |>
  kable()

Interpretación:

• Correlación alta entre activos_total e ingresos (0.82)
• ROE y ROA moderadamente correlacionados
• empleados correlacionado con tamaño financiero

Visualización de Correlaciones

#| fig-show: asis
#| fig-width: 12
#| fig-height: 10

library(corrplot)

pymes |>
  select(activos_total, pasivos, patrimonio_neto, ingresos, 
         ebitda, beneficio_neto, liquidez_ratio, roe, roa,
         deuda_patrimonio, empleados) |>
  cor(use = "complete.obs") |>
  corrplot(method = "color", type = "upper", 
           tl.col = "black", tl.srt = 45,
           addCoef.col = "black", number.cex = 0.6)

Análisis Multivariante con GGally

#| fig-show: asis
#| fig-width: 12
#| fig-height: 10

library(GGally)

pymes |>
  select(ingresos, beneficio_neto, empleados, 
         roe, deuda_patrimonio, sector_agrupado) |>
  ggpairs(aes(color = sector_agrupado, alpha = 0.5),
          lower = list(continuous = "smooth"))

Crear Variables Derivadas

Las transformaciones de variables NO “caen del cielo”. Surgen del análisis previo:

Caso 1: Antigüedad de la empresa

Motivación del AED: - Tenemos anio_fundacion pero queremos analizar madurez - Análisis temporal reveló que empresas fundadas en diferentes décadas se comportan diferente - Para comparaciones: necesitamos años desde fundación, no año absoluto

# Calcular antigüedad
pymes <- pymes |>
  mutate(antiguedad = 2024 - anio_fundacion)

Ahora podemos: - Comparar empresas jóvenes (< 5 años) vs consolidadas (> 15 años) - Analizar relación antigüedad-rentabilidad - Identificar si hay “valle de la muerte” para PYMEs

Crear Variables Derivadas (cont.)

Caso 2: Clasificación por tamaño

Motivación del AED:

# Del análisis univariante: distribución de empleados
summary(pymes$empleados)

Observación: Rango muy amplio (1 a 250+ empleados). Dificulta análisis.

La Unión Europea define categorías estándar para PYMES. Aplicar esta clasificación facilita: - Comparaciones con estudios previos - Comunicación con stakeholders - Segmentación de mercado

# Clasificar empresas por tamaño (definición UE)
pymes <- pymes |>
  mutate(
    tamano_empresa = cut(empleados, 
                        breaks = c(0, 10, 50, 250, Inf),
                        labels = c("Micro", "Pequeña", "Mediana", "Grande"),
                        include.lowest = TRUE)
  )

# Verificar distribución
table(pymes$tamano_empresa)

Tradeoff importante: Discretizar simplifica comunicación pero pierde información

• Ventaja: Facilita comparaciones “Micro vs Pequeña vs Mediana”
• Desventaja: Tratamos igual empresas de 11 y 49 empleados
• Recomendación: Mantener ambas (continua para análisis, categórica para comunicación)

Crear Variables Derivadas (cont.)

Caso 3: Productividad laboral

Motivación del AED:

Del análisis bivariante vimos: - Ingresos correlacionados con empleados (r = 0.65) - Pero la relación no es proporcional - Queremos medir eficiencia: ingresos por empleado

# Crear variable de productividad
pymes <- pymes |>
  mutate(productividad_laboral = ingresos / empleados)

Esta variable derivada permite: - Comparar eficiencia entre empresas de distinto tamaño - Identificar empresas sobre/sub-performando - Analizar productividad por sector (tech vs manufactura)

Insight del AED posterior: Tecnología tiene productividad 3x mayor que Manufactura

Agrupar Categorías de Rating: Justificación

Del análisis univariante de rating_credito:

table(pymes$rating_credito)

Problemas identificados: 1. CCC, CC, C, D tienen < 10 observaciones cada uno 2. Análisis bivariante mostró: C y D comportamiento financiero similar 3. No hay diferencia estadística entre BB y B en nuestros datos

Decisión de negocio: Crear tres grupos significativos

# Agrupar ratings bajos
pymes <- pymes |>
  mutate(
    rating_agrupado = fct_collapse(rating_credito,
      "Grado Inversión" = c("AAA", "AA", "A", "BBB"),
      "Grado Especulativo" = c("BB", "B"),
      "Alto Riesgo" = c("CCC", "CC", "C", "D")
    )
  )

Justificación: - “Grado Inversión”: bajo riesgo, acceso fácil a financiación - “Grado Especulativo”: riesgo moderado, típico de muchas PYMES - “Alto Riesgo”: problemas financieros serios, requiere atención

Esta agrupación: - Es robusta estadísticamente (suficientes observaciones) - Tiene sentido de negocio (convención del mercado) - Facilita visualización y comunicación - Mantiene poder predictivo (verificado en análisis bivariante)

#| fig-show: asis
#| fig-width: 10
#| fig-height: 5

# Visualización agrupada
ggplot(pymes, aes(x = rating_agrupado, fill = rating_agrupado)) +
  geom_bar() +
  scale_fill_manual(values = c("green3", "gold2", "red2")) +
  theme_minimal() +
  labs(title = "Rating Crediticio Agrupado",
       x = "Categoría de Riesgo", y = "Número de empresas") +
  theme(legend.position = "none")

Regla general: Agrupa solo cuando: 1. El análisis previo mostró que es necesario 2. Tiene sentido de negocio 3. Las categorías agrupadas tienen comportamiento similar 4. Mejora la robustez sin perder información crítica

Relación Rating - Variables Financieras

#| fig-show: asis
#| fig-width: 10
#| fig-height: 6

# Ratio deuda/patrimonio por rating
ggplot(pymes, aes(x = rating_agrupado, y = deuda_patrimonio, 
                  fill = rating_agrupado)) +
  geom_boxplot() +
  scale_fill_manual(values = c("green3", "gold2", "red2")) +
  coord_cartesian(ylim = c(0, 3)) +
  theme_minimal() +
  labs(title = "Ratio Deuda/Patrimonio por Categoría de Riesgo",
       x = "Categoría de Riesgo", y = "Ratio Deuda/Patrimonio") +
  theme(legend.position = "none")

Insight: Empresas de alto riesgo tienen mayor endeudamiento

La Promesa de la Automatización

El AED que hemos realizado manualmente es riguroso pero consume tiempo. ¿Podríamos automatizar partes del proceso?

La respuesta es: Sí, pero con precaución

Ventajas de herramientas automatizadas:

• Velocidad: generan reportes completos en segundos/minutos
• Exhaustividad: revisan sistemáticamente todas las variables
• Reproducibilidad: mismo código → mismos resultados
• Punto de partida: excelente para primera exploración

Limitaciones críticas:

• No entienden contexto de negocio
• Generan “ruido”: muchos gráficos irrelevantes
• Interpretación superficial
• No sugieren acciones específicas

Herramientas de AED Automatizado en R

DataExplorer: Reportes HTML completos

library(DataExplorer)

# Reporte completo automatizado
create_report(pymes, 
              output_file = "reporte_pymes.html",
              y = "rating_agrupado")

Genera automáticamente:

• Estructura del dataset
• Variables con missing values
• Distribuciones univariantes
• Correlaciones
• Análisis bivariante con variable objetivo

Útil para: Primera exploración, compartir con no-técnicos

Limitación: 100+ páginas sin priorización

dlookr: Diagnóstico y análisis

Ya usamos diagnose() y describe(), pero dlookr puede generar reportes web:

library(dlookr)

# Reporte web interactivo
pymes |> 
  mutate(across(where(is.character), as.factor)) |> 
  eda_web_report(
    target = "rating_agrupado",
    output_file = "eda_pymes.html",
    author = "Tu Nombre"
  )

Incluye:

• Diagnóstico de calidad
• Análisis univariante y bivariante
• Tests estadísticos automáticos
• Transformaciones sugeridas

Útil para: Exploración técnica detallada

Limitación: Requiere entender estadística para interpretar tests

smartEDA: Análisis exploratorio inteligente

library(SmartEDA)

# Reporte completo
ExpReport(pymes, 
          Target = "rating_agrupado",
          op_file = "SmartEDA_pymes.html",
          op_dir = "output/")

# Función útil: Resumen ejecutivo
ExpData(data = pymes, type = 1)  # Overview
ExpData(data = pymes, type = 2)  # Structure

Útil para: Balance entre detalle y usabilidad

Herramientas interactivas

# GWalkR: Interfaz tipo Tableau
library(GWalkR)
gwalkr(pymes)

# explore: Exploración guiada
library(explore)
explore(pymes)

Cuándo usar cada herramienta

Advertencias Importantes

NO hagas esto:

❌ Usar reportes automatizados como análisis final ❌ Confiar ciegamente en interpretaciones de IA ❌ Incluir todas las visualizaciones que genera una herramienta ❌ Olvidar validar hallazgos automáticos

SÍ haz esto:

✓ Usar automatización como punto de partida ✓ Validar críticamente todo output automático ✓ Combinar velocidad de herramientas con expertise humano ✓ Documentar por qué una herramienta sugirió algo ✓ Mantener el contexto de negocio en el centro

Ejemplo: Análisis Híbrido

Flujo real de un análisis profesional:

# 1. Exploración automática (5 min)
pymes |> skim()
diagnose(pymes) |> filter(missing_percent > 10)

# 2. Pregunta a IA (2 min)
"Sugiere visualizaciones para entender la relación 
entre tamaño de empresa y rentabilidad"

# 3. Código generado por IA (revisado por ti)
ggplot(pymes, aes(x = empleados, y = roe)) +
  geom_point(alpha = 0.5) +
  geom_smooth(method = "loess") +
  scale_x_log10()

# 4. TÚ interpretas con contexto de negocio (15 min)
# Observas que empresas 20-50 empleados tienen ROE más alto
# Investigas por qué: ¿eficiencia operativa? ¿sectores?
# Validas con análisis adicional por sector
# Formulas hipótesis de negocio

# 5. TÚ decides acción (5 min)
# "Recomendar a inversores: PYMES 20-50 empleados 
# en sector Servicios muestran mejor rentabilidad..."

Recursos para profundizar

• autoEDA en R: Journal of Statistical Software paper
• IA para análisis: ChatGPT for EDA guide
• Limitaciones de LLMs: Statistical Modeling blog

Distribución del Score de Inversión

#| fig-show: asis
#| fig-width: 10
#| fig-height: 5

# Visualizar distribución del score
ggplot(pymes, aes(x = factor(score_total))) +
  geom_bar(fill = "steelblue") +
  theme_minimal() +
  labs(title = "Distribución del Score de Inversión (0-9)",
       x = "Score Total", y = "Número de empresas")

# Top empresas por score
pymes |>
  filter(score_total >= 8) |>
  select(empresa_id, sector_agrupado, pais, roe, 
         liquidez_ratio, deuda_patrimonio, score_total) |>
  arrange(desc(score_total)) |>
  head(10) |>
  kable(digits = 2)